AI进了工厂，先算的是成本账

AI进了工厂，先算的是成本账

在制造业的茶水间里流传一句话：“PPT里的AI满天飞，车间里的AI还没打卡。”

Xometry 最近对 150 位美国制造业高管做了一轮调研（2024年发布），结论出乎很多人意料：AI影响最大的，不是酷炫的机械臂，也不是智能排产大屏，而是两个看起来“土”得掉渣的环节——可制造性分析（DFM） 和 成本核算 [1]。

这背后其实是一个朴素的产业判断：AI落地不看故事讲得多漂亮，只看它替工厂省了多少钱、堵住了多少返工。而报价和 DFM（面向制造的设计分析），恰恰是工厂里数据最密集、决策频率最高、人工最容易出错的两块。

这一判断并非孤证。麦肯锡在《制造业生成式AI应用》系列研究中同样指出，制造企业生成式AI落地最快的场景集中在“用例清晰、数据可得、可量化ROI”的环节，其中客户询价响应与工程文档处理被列为首批规模化用例 [2]；而在人才端，Deloitte 与美国制造业协会（NAM / The Manufacturing Institute）2024年的联合研究预测，到 2033 年美国制造业或有多达 190万个岗位 因技能缺口无法填满 [3]——“工具上得快、人上不来”是有公开数据支撑的结构性问题。

钱在哪，AI 就先进哪。这两份调研不过是把这句话钉在了墙上。

📊 为什么先中枪的是报价单

“金句：工厂里最贵的浪费，是发现晚了的那张图纸。

先看一个场景（以下为基于调研结论的推演示例，非真实企业案例，仅用于说明流程痛点）。某机加工厂 NPI（新产品导入）阶段，客户发来一张复杂结构件图纸，传统流程是：报价工程师核材料、估工时、问供应商、等外协回复——一圈下来三五天。图纸如果暗藏一个薄壁结构，往往要到首件试切才发现做不了，返工、改模、延期，一单亏掉一个季度利润。

Xometry 调研里高管们点名的两个领域，正是这条链上的咽喉：

• 可制造性分析：在打样之前，AI就能基于海量历史工艺数据，判断这张图“能不能做、好不好做”，把问题拦在机床开动之前；
• 成本核算：把过去依赖老师傅经验估的工时、材料、刀具损耗，变成数据驱动的快速测算，报价从几天缩短到小时级。

这不是巧合。看一眼AI进厂的路径图就明白了：

产业逻辑：AI见效最快的场景有三个特征——输入输出高度结构化、历史数据积累充足、决策频率高且单次容错成本低。报价和 DFM 全中，这也与麦肯锡研究中“优先落地高频、结构化用例”的结论相互印证 [2]。相比之下，自主排产要打通全厂约束、AI质检要啃图像标注，落地难度都不在一个量级上。高管们选中这两个环节，不是被概念打动，是被 ROI 打动。

🤖 机器上得快，人却招不到

调研里还有一条被很多人忽略的信息：企业确实在加速引入 AI 和自动化工具，但与之相关的人类岗位，恰恰是最难招满的。

这构成一个有些拧巴的现实。（以下为一线观察性质的举例说明，非特定企业案例）产线机器人买回来三个月就调通了，结果负责维护和优化它的工艺工程师，招了半年没到位——懂机械的不懂数据，懂数据的不懂工艺，两头能通的，早被大厂和系统集成商抢走了。

这种错位有宏观数据背书：Deloitte 与 The Manufacturing Institute 的研究显示，美国制造业技能缺口在未来十年可能扩大到百万级，其中涵盖自动化维护、工业数据分析等新兴岗位 [3]。换言之，“工具上得快、人上不来”不是个别工厂的运气问题，而是产业级的结构性瓶颈。

产业逻辑：自动化工具把“执行”变得便宜，却把“判断”推上了稀缺席。传统的报价员、绘图员岗位在收缩，但“会审AI结果、能纠偏模型”的新岗位没人能干。工厂过去拼设备折旧，未来拼的是人力结构重构的速度。调研里“工具上得快、人上不来”的错位，是未来两三年最值得制造业HR和产线负责人盯紧的信号。

⚙️ 场景有远近，落地有次序

“金句：别用灯塔工厂的蓝图，安排本季度的技改预算。

把调研结论放到全景里看，AI在工厂里的各应用场景，价值和技术门槛差异巨大。高管们公认的两大落点——可制造性分析和成本核算，恰好落在“高价值、相对易落地”的象限；而全流程自主排产这类故事，还停留在“高价值、高门槛”的远期区：

（注：象限定位为基于调研结论的推演，供讨论参考。）

对工厂而言，落地路径要遵循“数据密度优先”原则——先从数据最全、闭环最短的环节切入，用短期见效建立组织信心，再向纵深推进：

把调研里的信号翻译成产业判断，可以这样归纳：

对工厂决策者，堵点和解法大致是对应的：

🧭 从工具到工作流，才是真正的分水岭

“金句：买AI像买Excel，用AI像重做一遍流程。

回到 Xometry 这份调研本身，它最有价值的提醒是：制造业高管们对AI的期待已经“祛魅”——不谈通用智能，不谈颠覆，只谈可制造性和成本这两个能算清账的地方。

这其实是好事。过去几年，太多工厂被“PPT智造”伤过感情：大屏很炫、demo很美、产线照旧。而这份调研传递的信号是，产业界正在把AI从“概念验收”拉回“工序验收”。

据多位接近制造企业数字化项目的人士观察，今年工厂侧的立项逻辑明显变了：先问这功能上个月替我省了几个人天、压了几个点的返工率，再谈要不要续费。这种“抠门”，恰恰是AI在制造业真正扎根的开始。

对从业者，一句话收束：AI不会一下子替代工厂里的谁，但会先替代工厂里那些“看不见的等待”——等报价、等评审、等返工。谁能先把等待消掉，谁就在下一轮产能竞争中先落一子。

小结

150位制造业高管的选择 [1]，与麦肯锡、Deloitte 等第三方研究 [2][3] 指向同一个朴素的答案：AI进厂，先攻数据最密、账最清楚的地方。可制造性分析和成本核算成为第一波主战场，而最难补的短板不是算法，是既懂工艺又懂数据的人——这个缺口在美国是百万级 [3]，在其他制造业大国同样不容小觑。2025年的制造业AI叙事，将从“能不能做”转向“有没有用”——能通过ROI检验的AI才有明天，能用好AI的工厂才有下一个五年。

参考来源

[1] Xometry 对约150位美国制造业高管的AI应用调研（2024年发布），核心结论：可制造性分析与成本核算是AI影响最大的领域，相关岗位最难招聘。

[2] McKinsey & Company，《Generative AI in industrial operations》等制造业生成式AI系列研究，指出用例清晰、数据可得、ROI可量化的场景最先规模化落地。

[3] Deloitte & The Manufacturing Institute（NAM），《2024 Manufacturing Industry Outlook》及技能缺口研究：预计到2033年，美国制造业或有多达190万个岗位因技能缺口无人填补。

“注：文中涉及具体工厂流程的场景均为基于调研结论的推演示例，非真实企业案例；落地路线图为示例时间线，供讨论参考。